Der effiziente Umgang mit Energie, insbesondere bei der Drucklufterzeugung, ist ein ganz großes Thema in der Lebensmittel- und Getränkeindustrie. Herr Henning, wo sehen Sie hier Einsparpotenziale?
Gerson Henning: In der Branche machen die Erzeugung und Bereitstellung von Druckluft zwischen 20 und 30 % der Gesamtenergiekosten aus. Und wenn man sich dann überlegt, dass bis zu einem Drittel des industriellen Druckluftverbrauchs durch Leckagen verursacht wird, liegt auf der Hand, was zu tun ist: Leckagen minimieren. Hinzu kommt, dass viele Unternehmen den optimalen Druckluftverbrauch ihrer Produktionsanlagen nicht genau kennen. Dabei ließe sich oft durch Absenkung des Drucks im Pneumatiksystem der Luftdurchsatz bei gleichbleibender Zykluszeit deutlich reduzieren. Auf diese Weise könnten Druckluftverbrauch und Kosten um bis zu 20 % gesenkt werden.
Und wie kann die Digitalisierung dabei helfen, diese Einsparpotenziale zu erschließen?
Henning: Die Digitalisierung befähigt die Anlagenbetreiber zu einer kontinuierlichen Leistungsüberwachung und Ursachenanalyse. Es wird gemessen, wie viel Druckluft in einer Anlage verbraucht und wie sie eingesetzt wird. Aus dem Verhältnis von Druck und Durchfluss lässt sich ableiten, wie die Anlage arbeitet und wo ihr optimaler Betriebspunkt liegt. Voraussetzung dafür sind Sensoren im Pneumatiksystem und Datenaggregationspunkte. Die Generierung und Aggregation von Daten ermöglicht nicht nur deskriptive und diagnostische Analysen, sondern mittels intelligenter Algorithmen auch die Vorhersage von Ereignissen und Ausfällen.
Emerson arbeitet auch an Machine-Learning-Modellen. Welchen Beitrag leisten diese bei der Optimierung von Pneumatiksystemen?
Henning: Unsere IIoT-Ingenieure haben ein auf Machine Learning basierendes Modell entwickelt, das das Verhalten eines Pneumatiksystems vorhersagt. Treten geringfügige Abweichungen vom erwarteten Verhalten auf, kann es etwaige Anomalien wie Leckagen erkennen und ihre Position innerhalb des Systems lokalisieren. Durch diese Vorhersage und die genaue Ortung haben Machine-Learning-Modelle das Potenzial, Leckagen zu verhindern und die Gesamtanlageneffizienz erheblich zu verbessern.
Wie Sie bereits erwähnt haben, bildet eine Vielzahl von Sensoren in der Anlage das Fundament für eine erfolgreiche Digitalisierung. Wie können auf Basis der gewonnenen Daten Aussagen über den aktuellen und im besten Fall auch über den zukünftigen Zustand der Maschine gewonnen werden?
